一种行人检测方法、系统及装置制造方法及图纸

本发明专利技术适用于图像处理技术领域，提供了一种行人检测方法、系统及装置，所述方法包括下述步骤：接收输入的图像数据，获取图像数据的特征向量；根据公式d(x)＝lg((exp(a*f(x))+exp(a*g(x)))/a)计算输入的图像数据的特征值d(x)，其中f(x)＝w·x，g(x)＝u·x，w和u为预设的向量常数，a为预设的常数，“·”为向量点积运算符号，x为获取的图像数据的特征向量；将计算得到的图像数据的特征值与预设的阈值进行比较，输出运动物体是否为行人的信息，本发明专利技术解决了现有行人检测系统无法根据行人是否被遮挡采取自适应的检测方式进行行人的检测，检测效果比较差的问题，从而当输入的图像数据中存在行人时通过自适应地选择相应的检测函数检测行人，为用户提供了一种通用的、健壮的、精确的行人检测方法。

【技术实现步骤摘要】

本专利技术属于图像处理
，尤其涉及一种行人检测方法、系统及装置。
技术介绍
行人检测是物体检测的重要分支，是近年来计算机视觉领域备受关注的前沿方向和研究热点。在视频监控、汽车安全系统、购物行为分析等领域有着重要的应用。然而，由于人体固有的一些特性，应用场景的复杂性，人与人或人与环境之间的相互影响，使得人体的检测和跟踪成为计算机视觉研究领域中研究的难点。现有行人检测系统在检测被遮挡的行人和未被遮挡的行人时，无法根据行人是否被遮挡采取自适应的检测方式进行行人的检测，使得其检测性能受到较大的影响，检测效果比较差。
技术实现思路
本专利技术实施例的目的在于提供一种行人检测方法、系统及装置，旨在解决由于现有行人检测系统无法根据行人是否被遮挡采取自适应的检测方式进行行人的检测，使得其检测性能受到较大的影响，检测效果比较差的问题。本专利技术实施例是这样实现的，一种行人检测方法，所述方法包括下述步骤接收输入的图像数据，获取图像数据的特征向量；根据公式d(x) = lg((exp(a*f(x))+exp(a*g(x)))/a)计算输入的图像数据的特征值d(x)，其中f (χ) = w.x,g(x) =11^，《和11为预设的向量常数，a为预设的常数，·为向量点积运算符号，χ为获取的图像数据的特征向量；将计算得到的图像数据的特征值与预设的阈值进行比较，输出所述运动物体是否为行人的信息。本专利技术实施例的另一目的在于提供一种行人检测系统，所述系统包括特征向量获取单元，用于接收输入的图像数据，获取图像数据的特征向量；特征值计算单元，用于根据公式d(x) = lg((exp(a*f(x))+exp(a*g(x)))/a)计算输入的图像数据的特征值d(x)，其中f(X) = W.x,g(x) =1!^，《和1!为预设的向量常数， a为预设的常数，·为向量点积运算符号，X为获取的图像数据的特征向量；以及信息输出单元，用于将计算得到的图像数据的特征值与预设的阈值进行比较，输出所述运动物体是否为行人的信息。本专利技术实施例的另一目的在于提供一种包括上述行人检测系统的行人检测装置。本专利技术实施例通过接收输入的图像数据的特征向量，根据公式d(x)= Ig ((exp (a*f (χ)) +exp (a*g (χ))) /a)计算输入的图像数据的特征值d (χ)，将计算得到的图像数据的特征值与预设的阈值进行比较，输出运动物体是否为行人的信息，解决了现有行人检测系统无法根据行人是否被遮挡采取自适应的检测方式进行行人的检测，检测效果比较差的问题，从而当输入的图像数据中存在行人时通过自适应地选择相应的检测函数检测行人，为用户提供了一种通用的、健壮的、精确的行人检测方法。 附图说明图1是本专利技术第一实施例提供的行人检测方法的实现流程图；图2是本专利技术第二实施例提供的行人检测方法的实现流程图；图3是本专利技术第三实施例提供的行人检测系统的结构图；图4是本专利技术第四实施例提供的行人检测系统的结构图。具体实施例方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例通过接收输入的图像数据的特征向量，根据公式d(x)= Ig ((exp (a*f (χ)) +exp (a*g (χ))) /a)计算输入的图像数据的特征值d (χ)，将计算得到的图像数据的特征值与预设的阈值进行比较，输出运动物体是否为行人的信息，解决了现有行人检测系统无法根据行人是否被遮挡采取自适应的检测方式进行行人的检测，检测效果比较差的问题，从而当输入的图像数据中存在行人时通过自适应地选择相应的检测函数检测行人，为用户提供了一种通用的、健壮的、精确的行人检测方法。以下结合具体实施例对本专利技术的具体实现进行详细描述实施例一图1示出了本专利技术第一实施例提供的行人检测方法的实现流程，详述如下在步骤SlOl中，接收输入的图像数据，获取图像数据的特征向量。在本专利技术实施例中，当需要对输入的图像进行行人检测时，可以预先对图像进行预处理，例如，对输入的灰度图像进行大小归一化，避免因图像的变形而影响后续的处理， 通过灰度拉伸增强图像对比度，通过二值化处理实现图像中背景和对象的分割。采用动态阈值法确定图像二值化的关键阈值，使用带修正的自适应邻域平均法消除图像干扰和噪音等，从而解决图像因为天气或者采集角度等原因造成的图像模糊、歪斜或缺损的情况。在步骤S102 中，根据公式 d(x) = Ig ((exp (a*f (χ)) +exp (a*g (χ))) /a)计算输入的图像数据的特征值d(x)，其中f(x) =w.x,g(x) =1!1，《和1!为预设的向量常数，a为预设的常数，·为向量点积运算符号，X为获取的图像数据的特征向量。在本专利技术实施例中，采用函数softmax(f(x)，g(x))来计算输入的图像数据的特征值，其中 softmax (f (χ), g (χ)) = Ig ((exp (a*f (χ)) +exp (a*g (χ))) /a), f (χ) = w · χ,为基于全身信息的行人检测函数，g(x) =U-X是一个基于头部和肩部的行人检测函数，w和 u为预设的向量常数，a为预设的常数， 为向量点积运算符号，χ为获取的图像数据的特征向量，由于softmax函数可柔化输出值，减小值之间的差，使得d(x)的计算公式可以自适应地选择相应的检测函数(基于全身信息或者基于头肩部信息)，准确地检测到输入图像中的行人。在步骤S103中，将计算得到的图像数据的特征值与预设的阈值进行比较，输出图像数据是否包含行人的信息。在本专利技术实施例中，将计算得到的图像数据的特征值与预设的阈值进行比较，当计算得到的图像数据的特征值大于预设的阈值时，输出图像数据包含行人的信息，当计算得到的图像数据的特征值不大于预设的阈值时，输出图像数据不包含行人的信息。在具体的实施过程中，可以根据用户的需求信息对包括行人的图像数据的行人进行标注出来，从而更直观地提示用户，或用于行人的跟踪与统计等。实施例二 在本专利技术实施例中，为了确定行人检测过程中图像数据的特征值d(x)= Ig ((exp (a*f (χ)) +exp (a*g (χ))) /a)中涉及到的w和u的值，应预先对该函数进行训练，获取w和u的值。图2示出了本专利技术第二实施例提供的行人检测方法的实现流程，详述如下在步骤S201中，对采集到的包括行人的图像数据中行人的头部、肩部和全身进行标注。在本专利技术实施在，应该预先采集图像数据以用于对检测函数进行训练，确定向量参数w和u的值，采集的图像应包括背景图像以及包含有行人全身的图像，图像的数量可以根据用户对检测的精度要求采集相应数量的图像。对其中包括行人全身的图像数据中行人的头部、肩部和全身进行标注，具体可以通过手动或自动进行标注，手动标注时，首先标注出行人的头部的包围框，基于一定的比例，对头部包围框进行扩展，作为头-肩部位的包围框，进一步对头部包围框进行扩展成为全身的包围框。也可以采用相应的算法识别出行人的头部、肩部和全身，实现行人的头部、肩部和全身的标注，具体的标注方法在此不用限制本专利技术。在步骤S203中，将采集到的背景图像本文档来自技高网...

【技术保护点】
１．一种行人检测方法，其特征在于，所述方法包括下述步骤：接收输入的图像数据，获取图像数据的特征向量；根据公式ｄ（ｘ）＝ｌｇ（（ｅｘｐ（ａ＊ｆ（ｘ））＋ｅｘｐ（ａ＊ｇ（ｘ）））／ａ）计算输入的图像数据的特征值ｄ（ｘ），其中ｆ（ｘ）＝ｗ·ｘ，ｇ（ｘ）＝ｕ·ｘ，ｗ和ｕ为预设的向量常数，ａ为预设的常数，·为向量点积运算符号，ｘ为获取的图像数据的特征向量；将计算得到的图像数据的特征值与预设的阈值进行比较，输出所述图像数据是否包含行人的信息。

【技术特征摘要】

【专利技术属性】
技术研发人员：詹东晖，
申请(专利权)人：詹东晖，
类型：发明
国别省市：94